행렬과 행렬 연산 완벽 가이드

프로그래밍에서 행렬이 왜 중요한지, 그리고 NumPy를 활용한 행렬 연산을 초급 개발자도 쉽게 이해할 수 있도록 설명합니다. 머신러닝과 데이터 분석의 기초가 되는 선형대수를 실무 코드와 함께 배워봅니다.

---

목차

1. 행렬이란 무엇인가?
2. 행렬의 덧셈과 뺄셈
3. 행렬 곱셈
4. 전치 행렬
5. 항등 행렬과 역행렬
6. NumPy로 행렬 연산

---

1. 행렬이란 무엇인가?

김개발 씨는 머신러닝 프로젝트에 처음 투입되었습니다. 코드를 보니 온통 행렬 연산 투성이입니다.

"이게 다 뭐지?" 당황한 김개발 씨에게 선배가 말합니다. "행렬을 모르면 ML은 시작도 못 해요."

**행렬(Matrix)**은 숫자들을 직사각형 모양으로 배열한 것입니다. 마치 엑셀 스프레드시트처럼 행과 열로 정리된 데이터라고 생각하면 됩니다.

이미지, 소리, 텍스트 등 모든 데이터는 결국 행렬로 표현될 수 있습니다.

다음 코드를 살펴봅시다.

import numpy as np

# 2x3 행렬 생성 (2행 3열)
matrix = np.array([
    [1, 2, 3],
    [4, 5, 6]
])

# 행렬의 형태(shape) 확인
print(f"행렬의 형태: {matrix.shape}")  # (2, 3)

# 특정 원소 접근 (0번째 행, 1번째 열)
element = matrix[0, 1]
print(f"(0,1) 위치의 원소: {element}")  # 2

김개발 씨는 입사 6개월 차 주니어 개발자입니다. 웹 개발만 하다가 처음으로 머신러닝 프로젝트에 배정되었습니다.

첫날, 선배가 건네준 코드를 열어보니 np.array, reshape, transpose 같은 낯선 단어들이 가득했습니다. "대체 이게 다 뭐예요?" 김개발 씨가 물었습니다.

선배 개발자 박시니어 씨가 웃으며 대답했습니다. "행렬이라고 해요.

수학 시간에 배웠을 텐데, 기억나요?" 그렇다면 행렬이란 정확히 무엇일까요? 쉽게 비유하자면, 행렬은 마치 아파트 단지와 같습니다.

아파트에는 여러 동이 있고, 각 동에는 여러 층이 있으며, 각 층에는 여러 호수가 있습니다. "3동 5층 2호"라고 하면 정확히 어떤 집인지 알 수 있죠.

행렬도 마찬가지입니다. 숫자들이 행과 열로 정리되어 있어서, "2행 3열"이라고 하면 정확히 어떤 숫자인지 찾을 수 있습니다.

그런데 왜 프로그래밍에서 행렬이 중요할까요? 현실 세계의 데이터는 대부분 표 형태로 정리됩니다.

엑셀을 생각해보세요. 고객 정보, 매출 데이터, 상품 목록 모두 행과 열로 정리됩니다.

이미지도 마찬가지입니다. 1920x1080 해상도의 이미지는 사실 1920개의 열과 1080개의 행을 가진 거대한 행렬입니다.

컴퓨터가 이런 데이터를 효율적으로 처리하려면 통일된 형식이 필요합니다. 바로 그것이 행렬입니다.

행렬을 사용하면 수백만 개의 데이터도 한 번에 연산할 수 있습니다. 위의 코드를 살펴보겠습니다.

먼저 numpy 라이브러리를 가져옵니다. NumPy는 파이썬에서 행렬 연산을 위한 필수 도구입니다.

그 다음 np.array를 사용해 2x3 행렬을 만듭니다. 2행 3열이라는 뜻입니다.

shape 속성을 통해 행렬의 크기를 확인할 수 있고, 인덱스를 사용해 특정 위치의 숫자에 접근할 수 있습니다. 실제 현업에서는 어떻게 활용할까요?

예를 들어 추천 시스템을 만든다고 가정해봅시다. 1000명의 사용자가 500개의 영화에 매긴 평점을 저장해야 합니다.

이것은 1000x500 크기의 행렬로 표현됩니다. 이 행렬 하나로 모든 사용자의 모든 평점 데이터를 관리할 수 있습니다.

주의할 점이 있습니다. 파이썬의 인덱스는 0부터 시작합니다.

첫 번째 행은 0번, 첫 번째 열도 0번입니다. 수학에서는 보통 1부터 시작하니 헷갈리지 않도록 주의해야 합니다.

다시 김개발 씨 이야기로 돌아가 봅시다. 박시니어 씨의 설명을 들은 김개발 씨는 고개를 끄덕였습니다.

"아, 결국 데이터를 정리하는 방법이군요!" 이제 행렬이 뭔지 알았으니, 본격적으로 연산을 배워볼 차례입니다.

실전 팁

💡 - 행렬의 크기는 항상 (행, 열) 순서로 표현합니다

• NumPy 배열은 파이썬 리스트보다 연산 속도가 훨씬 빠릅니다

---

2. 행렬의 덧셈과 뺄셈

김개발 씨가 두 개의 데이터셋을 합쳐야 하는 상황이 생겼습니다. "그냥 더하면 되는 거 아닌가요?" 김개발 씨의 질문에 박시니어 씨가 대답합니다.

"맞아요, 근데 조건이 있어요."

행렬의 덧셈과 뺄셈은 같은 위치의 원소끼리 더하거나 빼는 연산입니다. 마치 같은 반 학생들의 중간고사 점수와 기말고사 점수를 과목별로 합산하는 것과 같습니다.

단, 두 행렬의 크기가 반드시 같아야 합니다.

다음 코드를 살펴봅시다.

import numpy as np

# 두 개의 2x2 행렬 생성
A = np.array([[1, 2],
              [3, 4]])

B = np.array([[5, 6],
              [7, 8]])

# 행렬 덧셈
addition = A + B
print("덧셈 결과:")
print(addition)  # [[6, 8], [10, 12]]

# 행렬 뺄셈
subtraction = A - B
print("뺄셈 결과:")
print(subtraction)  # [[-4, -4], [-4, -4]]

김개발 씨는 이번에 월별 매출 데이터를 분석하는 업무를 맡았습니다. 1분기 매출 데이터와 2분기 매출 데이터가 각각 행렬로 정리되어 있습니다.

상반기 총 매출을 구하려면 두 행렬을 더해야 합니다. "그냥 + 기호로 더하면 되나요?" 김개발 씨가 물었습니다.

박시니어 씨가 고개를 끄덕였습니다. "네, 근데 한 가지 조건이 있어요.

두 행렬의 크기가 같아야 해요." 행렬의 덧셈은 어떻게 작동할까요? 비유하자면, 두 학급의 시험 점수를 합산하는 것과 같습니다.

A반 김철수의 국어 점수와 B반 이영희의 국어 점수를 더하는 게 아닙니다. 같은 학생의 중간고사 점수와 기말고사 점수를 과목별로 더하는 겁니다.

즉, 같은 위치에 있는 숫자끼리 더합니다. 왜 크기가 같아야 할까요?

2x3 행렬과 3x2 행렬을 더한다고 생각해봅시다. 첫 번째 행렬의 (1, 3) 위치에는 숫자가 있지만, 두 번째 행렬의 (1, 3) 위치는 존재하지 않습니다.

짝이 없으니 더할 수가 없습니다. 마치 5인조 밴드와 4인조 밴드를 1:1로 합치려는 것과 같습니다.

위의 코드를 살펴보겠습니다. 두 개의 2x2 행렬 A와 B를 만들었습니다.

A + B를 하면 NumPy가 자동으로 같은 위치의 원소끼리 더해줍니다. A[0,0] + B[0,0] = 1 + 5 = 6이 되는 식입니다.

뺄셈도 마찬가지로 같은 위치끼리 빼줍니다. 실무에서는 언제 사용할까요?

이미지 처리에서 자주 사용됩니다. 두 이미지를 합성하거나, 배경을 제거할 때 행렬 덧셈과 뺄셈이 활용됩니다.

또한 시계열 데이터에서 전월 대비 증감을 계산할 때도 행렬 뺄셈을 사용합니다. 주의할 점이 있습니다.

크기가 다른 행렬을 더하려고 하면 NumPy에서 오류가 발생합니다. 다만, 브로드캐스팅이라는 기능으로 특수한 경우에는 크기가 달라도 연산이 가능합니다.

하지만 이건 나중에 배울 내용입니다. 김개발 씨는 두 분기 매출 데이터를 성공적으로 합산했습니다.

"생각보다 쉽네요!" 이제 좀 더 복잡한 연산으로 넘어갈 차례입니다.

실전 팁

💡 - 크기가 다른 행렬 연산 시 ValueError가 발생하면 shape을 먼저 확인하세요

• 스칼라(단일 숫자)는 모든 원소에 더하거나 뺄 수 있습니다

---

3. 행렬 곱셈

김개발 씨가 행렬 곱셈을 시도했습니다. "A * B 하면 되겠지?" 그런데 결과가 이상합니다.

박시니어 씨가 화면을 보더니 말합니다. "그건 원소별 곱셈이에요.

행렬 곱셈은 달라요."

행렬 곱셈은 첫 번째 행렬의 행과 두 번째 행렬의 열을 조합하는 연산입니다. 덧셈처럼 단순히 같은 위치끼리 곱하는 게 아닙니다.

A의 열 개수와 B의 행 개수가 같아야 곱셈이 가능하며, 결과 행렬의 크기는 (A의 행, B의 열)이 됩니다.

다음 코드를 살펴봅시다.

import numpy as np

# 2x3 행렬과 3x2 행렬
A = np.array([[1, 2, 3],
              [4, 5, 6]])

B = np.array([[7, 8],
              [9, 10],
              [11, 12]])

# 행렬 곱셈 (@ 연산자 또는 np.dot 사용)
result = A @ B  # 또는 np.dot(A, B)
print(f"A의 형태: {A.shape}")  # (2, 3)
print(f"B의 형태: {B.shape}")  # (3, 2)
print(f"결과의 형태: {result.shape}")  # (2, 2)
print("곱셈 결과:")
print(result)  # [[58, 64], [139, 154]]

김개발 씨는 자신 있게 코드를 작성했습니다. 두 행렬을 곱하려고 A * B를 입력했습니다.

그런데 결과가 예상과 전혀 달랐습니다. "이상하다, 왜 이렇게 나오지?" 박시니어 씨가 화면을 보더니 웃었습니다.

"* 연산자는 원소별 곱셈이에요. 행렬 곱셈은 @ 연산자나 np.dot을 써야 해요." 행렬 곱셈은 왜 이렇게 복잡할까요?

비유하자면, 행렬 곱셈은 마치 환전과 같습니다. 여러 나라의 화폐를 가지고 있고, 각 화폐의 환율표가 있다고 생각해보세요.

달러를 원화로 바꾸려면 달러 금액에 환율을 곱해야 합니다. 여러 화폐를 여러 나라 돈으로 한 번에 환전하려면, 금액 행렬과 환율 행렬을 곱해야 합니다.

행렬 곱셈의 규칙을 알아봅시다. A 행렬이 (2, 3) 크기이고 B 행렬이 (3, 2) 크기라면, **A의 열 개수(3)**와 **B의 행 개수(3)**가 일치해야 곱셈이 가능합니다.

결과 행렬의 크기는 (A의 행, B의 열) 즉, (2, 2)가 됩니다. 구체적인 계산 과정을 봅시다.

결과 행렬의 (0, 0) 위치 값은 A의 0번째 행 [1, 2, 3]과 B의 0번째 열 [7, 9, 11]을 원소별로 곱한 후 모두 더합니다. 1x7 + 2x9 + 3x11 = 7 + 18 + 33 = 58입니다.

이런 식으로 모든 위치의 값을 계산합니다. 실무에서 행렬 곱셈은 어디에 쓰일까요?

머신러닝의 핵심인 신경망이 바로 행렬 곱셈의 연속입니다. 입력 데이터 행렬과 가중치 행렬을 곱하고, 또 곱하고, 계속 곱합니다.

그래서 GPU가 중요한 겁니다. GPU는 행렬 곱셈을 엄청나게 빠르게 처리할 수 있거든요.

흔히 하는 실수가 있습니다. * 연산자와 @ 연산자를 혼동하는 것입니다.

• 는 같은 위치의 원소끼리 곱하는 **원소별 곱셈(element-wise)**이고, @ 는 수학적 의미의 행렬 곱셈입니다. 둘은 완전히 다른 연산입니다.

김개발 씨는 @ 연산자로 코드를 수정했습니다. "아, 이제 제대로 나오네요!" 행렬 곱셈을 이해하면 딥러닝의 기초를 절반은 이해한 셈입니다.

실전 팁

💡 - 파이썬 3.5 이상에서는 @ 연산자로 행렬 곱셈이 가능합니다

• 곱셈 순서가 중요합니다: A @ B와 B @ A는 다른 결과를 냅니다

---

4. 전치 행렬

데이터 전처리 중 김개발 씨가 막혔습니다. "행과 열을 바꿔야 하는데 어떻게 하죠?" 박시니어 씨가 대답합니다.

"전치를 사용하면 돼요. 한 줄이면 끝나요."

**전치 행렬(Transpose)**은 행과 열을 뒤바꾼 행렬입니다. 원래 행렬의 (i, j) 위치에 있던 원소가 전치 행렬에서는 (j, i) 위치로 이동합니다.

마치 표를 90도 회전시킨 것과 비슷하지만, 정확히는 대각선을 기준으로 뒤집는 것입니다.

다음 코드를 살펴봅시다.

import numpy as np

# 2x3 행렬 생성
matrix = np.array([[1, 2, 3],
                   [4, 5, 6]])

# 전치 행렬 구하기
transposed = matrix.T  # 또는 np.transpose(matrix)

print(f"원본 형태: {matrix.shape}")  # (2, 3)
print("원본 행렬:")
print(matrix)

print(f"전치 형태: {transposed.shape}")  # (3, 2)
print("전치 행렬:")
print(transposed)
# [[1, 4], [2, 5], [3, 6]]

김개발 씨는 데이터 분석 업무를 하고 있었습니다. 원본 데이터는 행이 날짜이고 열이 상품인데, 분석 도구에서는 행이 상품이고 열이 날짜인 형태를 요구했습니다.

"이걸 일일이 바꿔야 하나요?" 박시니어 씨가 간단하게 알려줬습니다. ".T 한 번이면 끝나요." 전치 행렬이란 무엇일까요?

비유하자면, 전치는 마치 출석부를 가로로 읽던 것을 세로로 읽는 것과 같습니다. 원래 표에서 첫 번째 행에 있던 데이터들이 전치 후에는 첫 번째 열이 됩니다.

행과 열의 역할이 바뀌는 것입니다. 수학적으로 표현하면, 원래 행렬 A의 (i, j) 위치에 있던 원소가 전치 행렬 A^T에서는 (j, i) 위치로 이동합니다.

1행 3열에 있던 숫자가 3행 1열로 가는 식입니다. 왜 전치가 필요할까요?

행렬 곱셈을 하려면 A의 열 수와 B의 행 수가 같아야 한다고 했습니다. 만약 두 행렬의 크기가 맞지 않으면 어떻게 할까요?

한쪽을 전치하면 곱셈이 가능해질 수 있습니다. 이것이 실무에서 전치가 자주 쓰이는 이유입니다.

위의 코드를 살펴봅시다. 2x3 행렬에 .T를 붙이면 3x2 행렬이 됩니다.

원본의 첫 번째 행 [1, 2, 3]이 전치 후에는 첫 번째 열 [1, 2, 3]^T가 됩니다. 코드 한 줄로 행과 열이 완전히 바뀝니다.

실무에서 전치는 정말 자주 사용됩니다. 머신러닝에서 데이터셋을 다룰 때, 라이브러리마다 요구하는 데이터 형태가 다릅니다.

어떤 것은 (샘플 수, 특성 수)를 원하고, 어떤 것은 (특성 수, 샘플 수)를 원합니다. 이럴 때 전치로 간단히 변환할 수 있습니다.

한 가지 재미있는 성질이 있습니다. 행렬을 두 번 전치하면 원래 행렬로 돌아옵니다.

(A^T)^T = A입니다. 또한 대칭 행렬이라고 해서, 전치해도 자기 자신과 같은 특별한 행렬도 있습니다.

김개발 씨는 .T 하나로 데이터 형태 문제를 해결했습니다. "파이썬은 정말 편하네요!" 이제 특별한 행렬들에 대해 알아볼 차례입니다.

실전 팁

💡 - .T는 np.transpose()의 단축 표현입니다

• 1차원 배열의 전치는 효과가 없습니다 (행 벡터로 바꾸려면 reshape 사용)

---

5. 항등 행렬과 역행렬

김개발 씨가 선형 방정식을 풀어야 하는 상황입니다. "행렬로 방정식을 어떻게 풀죠?" 박시니어 씨가 칠판에 수식을 적으며 말합니다.

"역행렬이라는 게 있어요. 나눗셈 같은 거예요."

**항등 행렬(Identity Matrix)**은 대각선이 모두 1이고 나머지가 0인 정사각 행렬입니다. 어떤 행렬에 항등 행렬을 곱해도 원래 행렬이 그대로 나옵니다.

**역행렬(Inverse Matrix)**은 원래 행렬과 곱했을 때 항등 행렬이 나오는 행렬입니다. 숫자에서 5 x (1/5) = 1인 것처럼, A x A^(-1) = I입니다.

다음 코드를 살펴봅시다.

import numpy as np

# 3x3 항등 행렬 생성
I = np.eye(3)
print("항등 행렬:")
print(I)

# 2x2 행렬과 그 역행렬
A = np.array([[4, 7],
              [2, 6]])

# 역행렬 계산
A_inv = np.linalg.inv(A)
print("\n원본 행렬 A:")
print(A)
print("\nA의 역행렬:")
print(A_inv)

# 검증: A @ A_inv = 항등 행렬
result = A @ A_inv
print("\nA @ A_inv (항등 행렬이 되어야 함):")
print(np.round(result, 10))  # 부동소수점 오차 제거

김개발 씨는 추천 시스템을 만들다가 복잡한 연립방정식을 만났습니다. 변수가 수십 개나 되는 방정식을 어떻게 풀어야 할지 막막했습니다.

"이걸 하나하나 풀어야 하나요?" 박시니어 씨가 힌트를 줬습니다. "행렬과 역행렬을 쓰면 한 방에 풀 수 있어요." 먼저 항등 행렬에 대해 알아봅시다.

숫자 1은 특별합니다. 어떤 수에 1을 곱해도 그 수가 그대로 나옵니다.

5 x 1 = 5, 100 x 1 = 100. 행렬에도 이런 역할을 하는 것이 있습니다.

바로 항등 행렬입니다. 항등 행렬은 대각선이 모두 1이고 나머지는 모두 0인 정사각 행렬입니다.

보통 I나 E로 표기합니다. 어떤 행렬 A에 항등 행렬 I를 곱해도 A가 그대로 나옵니다.

A x I = I x A = A입니다. 이제 역행렬을 알아봅시다.

숫자 5의 역수는 1/5입니다. 5 x (1/5) = 1이 됩니다.

행렬에서도 비슷한 개념이 있습니다. 행렬 A의 역행렬 A^(-1)은 A와 곱했을 때 항등 행렬 I가 나오는 행렬입니다.

왜 역행렬이 중요할까요? Ax = b라는 방정식이 있다고 합시다.

A는 계수 행렬, x는 우리가 구하고 싶은 미지수 벡터, b는 결과 벡터입니다. 양변에 A의 역행렬을 곱하면 A^(-1)Ax = A^(-1)b가 됩니다.

왼쪽은 Ix = x가 되므로, x = A^(-1)b로 해를 구할 수 있습니다. 주의할 점이 있습니다.

모든 행렬이 역행렬을 가지는 것은 아닙니다. 정사각 행렬만 역행렬을 가질 수 있습니다.

그리고 **행렬식(determinant)**이 0이면 역행렬이 존재하지 않습니다. 이런 행렬을 특이 행렬(singular matrix)이라고 합니다.

np.linalg.inv로 이런 행렬의 역행렬을 구하려고 하면 오류가 발생합니다. 위의 코드에서 np.eye(3)은 3x3 항등 행렬을 만들고, np.linalg.inv(A)는 A의 역행렬을 계산합니다.

검증을 위해 A와 역행렬을 곱해보면 항등 행렬이 나옵니다. 부동소수점 연산 특성상 완벽한 0이나 1이 아닐 수 있어서 np.round로 반올림했습니다.

김개발 씨는 역행렬을 사용해 방정식을 풀었습니다. "수학이 이렇게 쓰이는 거였군요!" 이론을 알았으니, NumPy의 다양한 행렬 연산을 실습해봅시다.

실전 팁

💡 - 역행렬이 존재하지 않을 수 있으니 try-except로 예외 처리하세요

• 큰 행렬의 역행렬 계산은 느리므로, 가능하면 np.linalg.solve를 사용하세요

---

6. NumPy로 행렬 연산

김개발 씨는 이제 행렬의 기본 개념을 이해했습니다. "실제 프로젝트에서는 어떻게 쓰는 거죠?" 박시니어 씨가 실무 코드를 보여주며 말합니다.

"NumPy에는 정말 많은 기능이 있어요. 자주 쓰는 것들만 알아도 충분해요."

NumPy는 파이썬에서 수치 계산을 위한 핵심 라이브러리입니다. 행렬 생성, 연산, 분해 등 선형대수에 필요한 모든 기능을 제공합니다.

특히 C로 작성되어 순수 파이썬보다 수십 배 빠르게 연산을 수행합니다.

다음 코드를 살펴봅시다.

import numpy as np

# 다양한 행렬 생성 방법
zeros = np.zeros((2, 3))      # 0으로 채운 행렬
ones = np.ones((2, 3))        # 1로 채운 행렬
random = np.random.rand(2, 3) # 0~1 사이 랜덤 값

# 행렬 형태 변환
arr = np.arange(12)           # [0, 1, 2, ..., 11]
reshaped = arr.reshape(3, 4)  # 3x4 행렬로 변환

# 행렬 연산 종합
A = np.array([[1, 2], [3, 4]])
print(f"행렬식: {np.linalg.det(A)}")      # -2.0
print(f"고유값: {np.linalg.eigvals(A)}")  # 고유값
print(f"행렬 합: {np.sum(A)}")            # 10
print(f"행별 합: {np.sum(A, axis=1)}")    # [3, 7]

김개발 씨는 이제 첫 머신러닝 프로젝트를 시작할 준비가 되었습니다. 하지만 실제 코드를 보니 아직 모르는 NumPy 기능이 많았습니다.

박시니어 씨가 실무에서 자주 쓰는 기능들을 정리해주기로 했습니다. 먼저 행렬을 만드는 다양한 방법을 알아봅시다.

np.zeros와 np.ones는 각각 0과 1로 채워진 행렬을 만듭니다. 초기화할 때 자주 사용합니다.

np.random.rand는 0과 1 사이의 랜덤한 값으로 행렬을 만듭니다. 신경망의 가중치를 초기화할 때 이런 랜덤 행렬을 사용합니다.

reshape은 정말 자주 사용하는 기능입니다. np.arange(12)는 0부터 11까지의 숫자를 담은 1차원 배열을 만듭니다.

여기에 reshape(3, 4)를 하면 3행 4열의 2차원 행렬로 바뀝니다. 총 원소 개수(12)만 맞으면 어떤 형태로든 변환할 수 있습니다.

reshape(2, 6)도 가능하고, reshape(4, 3)도 가능합니다. np.linalg 모듈은 선형대수의 보물창고입니다.

det은 행렬식을 계산합니다. 역행렬 존재 여부를 판단할 때 사용합니다.

eigvals는 고유값을 구합니다. 주성분 분석(PCA) 같은 차원 축소 기법에서 핵심적으로 사용됩니다.

solve는 연립방정식을 풉니다. inv로 역행렬을 구해서 곱하는 것보다 효율적입니다.

축(axis) 개념도 알아야 합니다. np.sum(A)는 모든 원소의 합을 구합니다.

np.sum(A, axis=0)은 열별 합, np.sum(A, axis=1)은 행별 합을 구합니다. 처음에는 헷갈리지만, axis=0은 "행을 따라 내려가면서", axis=1은 "열을 따라 가면서"라고 기억하면 됩니다.

실무에서 정말 많이 쓰는 패턴이 있습니다. 데이터 정규화할 때 mean = np.mean(data, axis=0)으로 열별 평균을 구하고, data - mean으로 평균을 빼줍니다.

브로드캐스팅 덕분에 모든 행에서 자동으로 평균이 빼집니다. 이런 패턴은 머신러닝 코드에서 정말 자주 등장합니다.

김개발 씨는 열심히 메모했습니다. "이 정도면 프로젝트 시작할 수 있겠어요!" 박시니어 씨가 격려했습니다.

"맞아요, 나머지는 하면서 배우면 돼요. 중요한 건 기본기예요." 행렬과 행렬 연산은 데이터 사이언스와 머신러닝의 기초 체력입니다.

오늘 배운 내용을 토대로 실제 프로젝트에서 연습해보세요. 처음에는 어색하지만, 몇 번 쓰다 보면 자연스러워집니다.

실전 팁

💡 - NumPy 공식 문서를 즐겨찾기 해두세요 (numpy.org/doc)

• 브로드캐스팅을 이해하면 반복문 없이 효율적인 코드를 작성할 수 있습니다
• 큰 데이터셋에서는 dtype을 float32로 지정하면 메모리를 절약할 수 있습니다

---

이상으로 학습을 마칩니다. 위 내용을 직접 코드로 작성해보면서 익혀보세요!